虹软推出新一代视觉大模型ArcMuse 2025 V1.1

大模型从最初的“不计成本”探索，到如今的“可持续”商业化落地，经历了从技术突破到工程优化，再到产业融合的深度演进。在这一过程中，虹软始终走在创新前沿，依托深厚的视觉AI技术积累，以ArcMuse计算技术引擎为核心，不断推动视觉大模型的技术进步与行业落地，加速AI在各领域的深度应用。

自2023年推出以来，ArcMuse计算技术引擎凭借持续的 算法创新与工程优化 ，构建起多层次架构、跨模型协同优化、高效能计算引擎等核心能力，不断突破通用大模型在计算成本、适配效率、推理速度等方面的局限。如今，经过对算法、数据、工程及大模型生态的全面优化，ArcMuse迎来了全新升级 —— ArcMuse 2025 V1.1版本。新一代ArcMuse在生成质量、计算效率、端侧适配性等方面取得了显著突破 ， 进一步 增强了视觉大模型的泛化能力与实用性 。其先进的视觉AI能力全面支持智能手机、智能汽车、AI眼镜、机器人、服装智造以及智能商拍的创新发展。

ArcMuse 2025 总体架构与核心愿景：视觉AI核心基座引擎，不止大模型

ArcMuse是一个 兼顾效果和性能的紧凑AI综合体 ，它以大底模和强化的垂直大模型为基础，用以生成远观悦目的基础效果，并利用一系列复杂或简单细分小模型、浅层模型、用于约束的CV&CG引擎包对基础效果进行控制，以达到近看自然、结构信息正确、细节丰富合理的最终图像和视频效果。

ArcMuse 2025核心思想与架构：

ArcMuse是一套深度耦合底模、细分大模型、控制浅层复杂模型和视觉库、约束细节的浅层小模型和视觉库，数据预处理引擎包、CV&CG处理引擎包、定制化文本生成模型的紧凑稳定AI平台库。

CPG(Control Packages) : 利用五大类小模型和引擎包对期望的结果进行约束与控制。

人 物： 手、脸、脚、四肢、体

深度: 各类摄像头、模组、模式的输入，都能得到高质量的深度

分割： 基于对象、区域、语义等

分类： 景、物、影调、情感等

边缘： 强、弱、结构、遮挡、悬空等

KDE(Keep Details Engines) ：利用一些浅层模型保留弱纹理和细节，利用光照模型分析、去除、重光照处理和维持影调(Shading)。

高效计算优化： 采用FP8混合精度计算，对核心计算复杂度高的OPs进行汇编级优化。

训练和推理时的减冗余并行处理引擎包 ：这点得益于公司定位实际应用落地有回报的降本压力，进而研发出高效的基础引擎和策略。

平台无关化的各种处理 ：依托虹软 20 余年的视觉AI技术积累，使 ArcMuse 具备跨平台适配能力，可灵活部署于云端、高性能计算平台、移动端及嵌入式设备。

从实用落地的角度来看，真正可行的 AI 大模型方案必须实现 多层次协同与功能模块互补 ，降低计算成本，以推动大模型应用平权化，使其更广泛地赋能终端设备与各行业。ArcMuse 2025 正是基于这一理念让视觉 AI 在真实应用场景中 实现性能、效果与成本的三重突破 。

从 DeepSeek 到 ArcMuse 2025：构建大模型新范式

AI 计算的高效降本是大模型商业可行化落地的关键，其核心在于 降低计算资源消耗 、 减少存储需求与数据依赖 ，以更低的成本提供可接受甚至卓越的AI性能，使先进AI技术(包括大模型)能够更广泛地惠及各行业与终端设备。要实现这一目标，仅依赖单一大模型或传统Transformer架构的顶级云计算平台远远不够，而必须借助 多AI范式的深度耦合 ，并具备 动态多层次的自适应能力的AI计算架构 ，以应对不同计算环境的需求。

在这点上， DeepSeek 在文本和规则性较强的AI任务(如数学、代码等) 上的策略，提供了一个典型的成功案例。其通过 DS-MOE(动态路由稀疏专家网络)、MLA(KV矩阵缓存压缩)、MTP(多Token预测)、FP8(混合精度量化训练)、GRPO (强化学习采用群组相对策略优化)、DualPipe(调度算法) 等优化策略，极大提升了大模型的计算效率，并降低了硬件成本，为大模型高效降本提供了新的思路。然而，DeepSeek 在推理计算与存储占用上仍然存在一定的优化空间，特别是对于图像、视频等视觉任务而言，如何借鉴这些优化思想，并结合视觉AI的独特需求，是一个关键课题。

在这一背景下， 虹软对 DeepSeek 的优化策略进行了深入分析 ，并结合自身在视觉 AI领域的多年研发经验，取长补短、深度融合，同时针对视觉 AI 的特性进行了 定制化优化 。实践证明，这一耦合总体上带来了 显著的增益 ，不仅全面提升了ArcMuse的性能，尤其在 多模态数据理解、图像与视频推理增强方面效果突出 ;同时， 计算成本大幅降低 ，例如，在提示词工程推理方面， 显卡租赁成本减少了一半以上 ，使大模型的 AI计算更高效且可控 。

为直观展现 ArcMuse 2025 在视觉生成、影像修复及视频生成方面的能力，我们以非刚体拓扑难以保持的柔性衣物为背景，呈现其在复杂视觉任务中的卓越表现。

生成图像示例1：

弱纹理、细节提升

生成图像示例2：

细节、影调的提升

困难场景(Hard Case)示例:半透物(薄纱)、柔性物(裙装)、复杂版型(塞腰、束腕)、弱纹理细节(纹理花纹、花边领、暗条纹)

生成图像示例4 :

AI模特图大角度、模特表现力更新

生成图像示例5 :

AI生成图的光影效果、模特表现力更新

生成视频示例6:

AI模特复杂动作的稳定性、表现力更新

生成图像示例7：半透装、碎花裙

生成视频示例8：

让示例7生成图像再动起来

ArcMuse 2025 为垂直行业提供定制化解决方案

ArcMuse 2025 的架构是一种系统性优化方案，通过整合多个 AI 引擎，实现高效协同，即使在有限资源下仍能发挥最大效能，并为各类垂直行业提供定制化解决方案。这一架构理念使 ArcMuse 成为 虹软视觉 AI 赋能引擎 ，可广泛应用于移动智能终端 AI 影像处理、智能汽车、AI 眼镜、XR 3D 空间计算头显、服装智造和智能商拍以及智能机器人等垂直场景，推动行业创新升级。

在AI影像处理方面，ArcMuse 2025对AI影像模型进行了优化，特别是在图像增强与影像细节恢复过程中，显著减少了生成不真实效果的风险。升级后的模型在处理复杂纹理和高对比度场景时，展现出较为稳定的增强效果，降低了图像生成中的不确定性。另外，在语义分割与识别方面，ArcMuse 2025进一步增强了ArcMuse 2024对图像内容的理解精度，尤其是在文字纹理处理上，表现出比以往更强的模型细节还原能力。

在智能汽车方向，ArcMuse 2025的推理能力和场景理解能力得到提升，尤其在低能见度和复杂路况环境下，其优化后的推理方法能够结合不同的驾驶环境进行分析，为驾驶员提供更为合理的安全辅助建议。例如，在大雾天气和湿滑路况下，系统能够根据前方车辆的灯光信号、车速以及路面状态，提出合理的驾驶策略与建议，减少潜在的驾驶或行车风险。

在 AI 眼镜与 XR 3D 空间计算头显方向，ArcMuse 2025明显提升了对复杂环境下物体识别的精度，尤其是在图像语义分割和物体关系的理解上。在应用中，ArcMuse 2025能够更加精确地区分复杂环境中的物体和背景，减少误识别的情况。例如，在对图像中的窗户与画作进行区分时，ArcMuse 2025 通过优化图像分析流程，有效避免了误识别，提高了识别的准确度。

在智能商拍方向，ArcMuse 2025利用内部新迭代的蒸馏框架优化了文本与图像生成的控制精度，使得在提示词响应的准确性和图像生成的可靠性方面有更高的提升。升级后的ArcMuse有更强的文本与图像的匹配能力，能够更好地生成符合商业需求的图像。

在智能机器人方向，ArcMuse 2025通过优化多模态数据处理、实时目标识别、复杂场景理解等可显著提升机器人在动态环境中的适应性和自主性。同时，针对端侧部署深度优化，可使其在有限算力下依然高效运行 AI 任务，助力其在工业自动化、智能服务、家庭陪护、教育娱乐等应用落地。

视觉大模型实用化：多AI协同，驱动创新落地

虹软的视觉AI技术研发经历了20多年的历练，绝大多数技术都实现了产品化应用和实际落地，达到了100亿级端侧设备的实际应用。虹软的AI研发经历了从CV&CG到浅层学习，从端侧深度学习到复杂模型，从底座模型强化到领域大模型;效果和性能、功耗3指标并举的多阶段扎实迭代向前演进。

在当下的AI技术快速发展浪潮中，大模型成为行业关注的焦点，近来DeepSeek又带来一波强化剂。虹软认为真正高效的智能计算体系不是单一的通识大模型，每个AI引擎有各自的效果和性能优缺点，须深度耦合、效果性能权衡，这样才能帮助视觉大模型真正快速落地实用化。

另外，一个非常有意义的目标是：“大模型普及与可商业化”。其核心是算力要求要尽可能低，存储资源要尽可能少，数据要求要尽可能少，成本尽可能省，但效果尽可能好。这样的话，多AI范式的高度耦合，且是动态多层次的AI计算架构，才是逻辑合理的选择，仅靠目前单一的视觉大模型还不够、走不通，这就是ArcMuse的架构思路和定位。